标签
Liquid AI 推出 LFM3 开放权重模型系列，采用卷积、滑窗注意力与全局注意力混合的三层架构，1.7B 文本模型性能超越前代 2.6B 模型，并在 agent 基准上表现突出。
Blockway 发布 Agens Volundr 32B v1，修复 Preview 版的循环与推理截断问题，并开源 MIT 许可的 Agens Engine 推理引擎，其混合状态架构配合 2/3/4 混合量化可在 16 GB 显存预算内运行 262K 上下文（实测至 239K）。
一个独立基准测试网站（airbench.ai）在编码、视觉、数学和计算机使用任务上测试了 AI Agent 框架与模型的组合配置，发现本地量化模型如 swift-1.5-qwen3.8-27b-q6_k 和 qwen3.8-flash-next-strata 在一张 RTX 5090 上如今已能达到 Claude Opus 5.5 的质量水平，并且框架的选择（opencode/omp 与 pi/hermes/openclaw）与模型本身一样重要。
评测了15个本地运行的模型在 Toolery agent/工具使用基准上的表现，qwen3.8-27B 以71.8%排名第一，而1-bit量化压缩到约4GB的 Bonsai 27B 垫底（50.5%），主要失败原因是工具调用次数超限（budget_violated）而非选错工具。
GraphSkillEvo是一个进化优化框架，它将代理技能表示为图结构工件，以提高大型语言模型（LLM）的性能，在多个基准测试中超越基线。
本文讨论了需要建立一个基准来独立评估AI代理运行时而非仅仅模型，建议衡量任务成功率、成本等指标，并提出通过对照实验来比较不同平台。
Apodex 1.1 mini 在代理基准测试上取得了竞争性的性能，参数远少于像 Kimi K2.6 这样的大型模型，突出了部署成本优势。
微软的一篇论文提出了一种方法，用过去代理运行中蒸馏的技能来替代昂贵的测试时推理，在某些基准测试中表现出竞争力，同时减少了输出令牌的使用。
DeepSeek officially released DeepSeek-V4-Flash on the API in public beta, with significantly enhanced agent capabilities, new benchmark results, and native support for the Responses API and Codex integration.
本文扩展了AssetOpsBench，增加了智能电网变压器资产类别，并引入了ScenarioGeneratorAgent，一个用于合成工业智能体场景生成的流水线，在保持场景质量的同时实现了8倍的运行时间改进。
文章报道，蚂蚁的Ring-2.6，一个MIT许可下的开放权重万亿参数模型，据称在推理和智能体基准测试上与封闭前沿模型不相上下，引发了对开放模型追赶上来会产生何种影响的疑问。
本文介绍了Simple Strands Agent (SSA)，这是一个最小化的框架，旨在缩小AI模型与其智能体行为之间的意图-执行差距，并通过分析各类模型家族的138k条轨迹，揭示细粒度的行为差异。
研究人员提出了一种利用LLM代理的对抗性黑客-修复循环，自动修补代理基准测试中脆弱的验证器，在KernelBench上将攻击成功率从62%降至0%，并证明较弱的防御者可以压制更强的攻击者。
Anchor是一个任务生成流水线，通过从单一的约束优化规范中联合生成指令、环境、解决方案和验证器，解决了AI智能体基准中的工件漂移问题，为企业工作流提供一致且可审计的评估任务。论文介绍了ERP-Bench——一个包含生产级ERP系统中300个长时任务的基准，结果显示前沿模型在26.1%的试验中满足显式约束，但仅17.4%的试验达到最优解。
TASTE是一种自动化方法，通过自适应对比n-gram建模和迭代难度优化来演化工具序列，从而生成覆盖更广工具使用、更具挑战性的智能体基准测试。生成的τ^c-Bench显示，在现有基准测试中几乎饱和的模型性能大幅下降，表明这是基准饱和而非模型具备稳健能力。
SynAE 是一个评估框架，用于衡量工具调用智能体评测中使用的合成数据的质量，从有效性、保真度和多样性等多个维度进行评估。它通过提供指导合成数据生成的指标，应对真实数据不足或敏感带来的挑战。
本文介绍了针对代理型计划-执行流水线的时序语义缓存与MCP工作流优化，在缓存命中时实现了高达30.6倍的加速，并在AssetOpsBench工业基准测试上实现了1.67倍的整体加速。